手把手教你spss聚类分析和主因子分析.

1.主因子分析(刘红杰原创)QQ498236930 第一步：矩阵标准化

出现如下对话框：

第二步：对标准化过的矩阵分析

聚类分析

基于SPSS的聚类分析的实用方法（层次聚类法和迭代聚类法）

层次聚类法和迭代聚类法的主要区别在于:层次聚类法的聚类结果受奇异值的影响非常大,且聚类过程是单方向的,一旦某个样本进入某一类,就不可能从该类出来,再归入其他的类;迭代聚类法的聚类结果受奇异值和不合适的聚类变量的影响较小,对于不合适的初始聚类可以进行反复调整,但其缺点是聚类结果对初始聚类非常敏感,而且它也只能得到局部最优解.

（一）层次聚类

Analyze--> C1assify-->Hierachical Cluster

在“C1uster”组中选择聚类类型：要进行变量聚类选择指定“Vanables”；要进行观测量聚类指定“Cases”。

指定参与分析的变量，将选定的变量通过按钮箭头转移到箭头按钮右侧的“Variable[s]：”矩形框中；将标识变量通过下面一个箭头按钮转移到按钮右侧的“Label Cases by:”下面的矩形框中。

如果不使用系统默认值，或由于参与分析的变量量纲不一致需要指定选择项，则应该根据需要有选择性地执行下述某些步骤。

1．确定聚类方法

在主对话框中，点击“Methed”按钮，展开分层聚类分析的方法选择对话框，即“Hierachical Cluster Analysis：Method”。在对话框中根据需要指定聚类方法、距离测度的方法、对数值进行转换方法，即标准化数值的方法和对测度的转换方法。

（1）聚类方法选择

“C1uster Method：”表中列出可以选择的聚类方法：

Between-groups linkage组内连接

Within-groups linkage组内连接

Nearest neighbor最近邻法

Furthest neighbor最远邻法

Centroid clustering重心聚类法

Median clustering中位数法

Ward’s method Ward最小方差法。

(后三种聚类方法应与欧氏距离平方法一起使用)

几种方法的具体情况见下面的英文文档

（2）对距离的测度方法选择

在Method中指定的是用哪两点间的距离的大小决定是否合并两类。距离的具体计算方法还根据参与距离的变量类型从以下三种对话框选择其一，展开选择菜单后再进行具体方法的选择。这三个对话框分别对应于等间隔测度的变量（一般为连续变量）、计数变量（一般为离散变量）和二值变量。这里只考虑连续变量的情况

“Interval”(系统默认)

Euclidean distance：Euclidean距离，即两观察单位间的距离为其值差的平方和的平方根，该技术用于Q型聚类；Squared Euclidean distance：Euclidean距离平方，即两观察单位间的距离为其值差的平方和，该技术用于Q型聚类；Cosine：变量矢量的余弦，这是模型相似性的度量；

Pearson correlation：相关系数距离，适用于R型聚类；

Chebychev：Chebychev距离，即两观察单位间的距离为其任意变量的最大绝对差值，该技术用于Q型聚类；

Block：City-Block或Manhattan距离，即两观察单位间的距离为其值差的绝对值和，适用于Q型聚类；

Minkowski：距离是一个绝对幂的度量，即变量绝对值的第p次幂之和的平方根；p由用户指定

Customized：距离是一个绝对幂的度量，即变量绝对值的第p次幂之和的第r次根，p与r由用户指定。

（3）确定标准化的方法：“Transform Value”

“Standardize” 下为标准化列表

对数据进行标准化的可选择的方法有：

①None 不进行标准化，是系统默认值。

②Z scores 把数值标准化到Z分数。

③Range -1to l把数值标准化到-1到+l范围内。选择该项，对每个值用变量或观测量的值的范围去除。如果值范围是0，所有值保持不变。

④Maximum magnituds of 1 把数值标准化到最大值为1。该方法是把正在标准化的变量或观测量的值用最大值去除。如果最大值为0，则改用最小值去除，其商加1。

⑤Range 0 to 1 把数值标准化到0到1的范围内，对正在被标准化的变量或观测量的值剪去最小值，然后除以范围。如果范围是0，对变量或观测量的所有值都设置成0.5。

⑥Mean of 1 把数值标准化到一个均值的范围内，对正在被标准化的变量或观测量的值除以这些值的均值。如果均值是0，对变量或观测量的所有值都加1，使其均值为1。

⑦Standard deviation of 1 把数值标准化到单位标准差。该方法对正在被标准化的变量或观测量的值除以这些值的标准差，如果标准差为0，则这些值保持不变。

（4）测度的转换方法选择

对距离测度数值进行转换，在距离计算完成后进行。可选择的转换方法有三种，在“Methd”对话框右下角的标有“Transform Mearure”的框中选择。

①Absolute Values 把距离值标准化。当数值符号表示相关方向，且只对负相关关系感兴趣时使用此方法进行变换。

②Change sign 把相似性值变为不相似性值，或相反。用求反的方法使距离顺序颠倒。

③Rescale to 0-- 1 range 通过首先去掉最小值然后除以范围的方法使距离标准化。对于已经按某种换算方法标准化了的测度，一般不再使用此方法进行转换。

2．选择要求输出的统计量：Statistics对话框

Aggomeration schedule 输出聚合过程表

Proximity matrix：输出的是每个案例之间的欧氏距离平方表（Q型聚类）。

Cluster membership决定聚合的群数。试探性地做时就选none，做完后根据判断的合适的群数在输入确定的群数，这时会得出一个更多的结果cluster membership，即在此群数下，各案例所属的群。当然也可选择Range of solutions确定群数的范围。

3．选择统计图表: Plot

Dendrogram 树形图;

Icicle冰柱图:

对于生成什么样的冰柱图还可以进一步用以下选择项确定：

All clusters 聚类的每一步都表现在图中。可用此种图查看聚类的全过程。但如果参与聚类的个体很多会造成图过大，没有必要。可以使用下面一个选择项限定显示的范围。

Specified range of clusters 指定显示的聚类范围。当选择此项时，该项下面的选择框加亮，表示等待输入显示范围。在Start后的矩形框中输入要求显示聚类过程的起始步数，在Stop后的矩形框中输入显示中止于哪一步，把显示的两步之间的增量输入到By后面的矩形框中。输入到矩形框中的数字必须是正整数。

例如，输入的结果是：Start：3 Stop：10 By：2

生成的冰柱图从第三步开始，显示第三、五、七、九步聚类的情况。

None:不生成冰柱图

对于显示方向可以用Orientation下面的选择项确定：

Vertical纵向显示的冰柱图。(系统默认)

HoriZontal显示水平的冰柱图。

4．生成新变量的选择：save

聚类分析的结果可以用新变量保存在工作数据文件中。单击主对话框的“save”按钮，展开相应的对话框。可以看出只能生成一个表明参与聚类的个体最终被分配到哪一类的新变量。通过对话框可以选择是否建立新变量和建立的新变量含义。

None 不建立新变量。

Single solution：单一结果。生成一个新变量表明每个个体聚类最后所属的类。在该项后面的矩形框中指定类数。如果指定5 clusters，则新变量的值为1-- 5。

Range of solutions：指定范围内的结果。生成若干个新变量，表明聚为若干个类时，每个个体聚类后所属的类。在该项后商的矩形框中指定显示范围，即把表示从第几类显示到第几类的数字分别输入到From后面的矩形框和through后面的矩形框中。例如输入结果是“From 4 through 6”，在聚类结束后在数据窗中原变量后面增加了3个新变量分别表明分为4类时、分为5类时和分为6类时的聚类结果。即聚为4、5、6类时各观测量分别属于哪一类。

新变量选择完成后按“Continue”按钮，返回到主对话框。

（二）迭代聚类

Analyze--> C1assify--> K-Means Cluster

“Methed”框，给出两个可选择的聚类方法：

1）Iterate and classify 选择初始类中心，在迭代过程中使用k-Means算法不断更换类中心，把观测量分派到与之最近的以类中心为标志的类中去；

2）Classify only 只使用初始类中心对观测量进行分类。

Number of clusters输入通过层次聚类或其他方式得出的聚类的合适的层数。

“Cluster Centers” 对话框有两项：

1）选择Read initial from 要求使用指定数据文件中的观测量作为初始类中心。选择此项单击鼠标键后，再按其后的“Flle”按钮，显示选择文件的对话框，指定文件所在位置（路径）和文件名。按“OK”按钮返回。在“Center”选择框中的“fi1e”按钮后面显示文件全名（包括路径）。

2）选择Write final as 要求把聚类结果中的各类中心数据保存到指定的文件中。操作方法与上相似。

save对话框中有两项：

1)选择Cluster Membership 建立一个新变量，系统默认变量名为那qc1_1。其值表示聚类结果，即各观测量被分配到哪一类。其值为1、2、3...的序号。该变量存人输入数据文件（New Data窗中）。

2)选择Distance from cluster center 建立一个新变量。系统默认变量名为那qc1_2。聚类结束后把各观测量距所属类中心间的欧氏距离存入输入数据文件（数据窗中）。

Iterate对话框：

设置迭代参数的对话框。如果选择了“Iterate and classify”方法进行聚类，还可以进一步选择迭代参数。

1)Maximum Iterations：限定K-Means算法中的迭代次数。改变后面框中的数字，则改变迭代次数。当达到限定的迭代次数时迭代停止。系统默认值为10。

2)Convergence Criterion：指定聚类判据。其值必须大于0，小于1。系统默认值为0.02。即当两次迭代计算的最小的类中心的变化距离小于初始类中心距离的百分之二时迭代停止。

3) Use Running means 选择此项，限定在每个观测量被分配到一类后即刻计算新的类中心。如果不选择此项，则在完成了所有观测量的一次分配后再计算各类的类中心。不选择此项会节省迭代时间。

Option对话框：输出统计量的选择项与缺失值处理

在Statitstacs组中可以选择要求计算和输出的统计量有：

Initia1 c1uster centers初始类中心

ANOV A table 方差分析表

C1uster information for each case每个观测量的分类信息。如分配到哪一类和该观测量距所属类中心的距离。

以上三项可以选择其中几项，也可以全选。

在Missing Va1ues组中选择一种处理带有缺失值观测量的方法，共有两种选择：

1）Exclude cases listwise将带有缺失值的观测量从分析中剔除。

2）Exclude cases pairwise只有当一个观测量的全部聚类变量值缺失时才将其从分析中剔除。否则根据其它非缺失变量值把它分配到最近的一类中去。

其它有用的使用：

1）筛减cases：

因为聚类分析计算的速度相对比较慢，而且如果case太多，结果也难于解释。有时可以将庞大的样本中进行随机筛选，取出小样本，进行聚类分析。下面是一种方法：

data-->select cases，选中random sample of cases，点击sample 复选框，弹出一个新的选框。Approximately( )% of all cases。在括号里填入从所有样本中选取的案例百分比。然后ok。

另外，在unselected cases are选框下有两种选择，filtered并不从原数据中将没有选中的case删除，只是“过滤”掉了；deleted则是删掉了，然后形成一个新的数据。

2）求“群重心”的步骤：

之前须先将聚类结果保存在了原数据中。这里设保存的结果列命名为“cluster-3”.

Analyse-->compare means-->means

Dependant list选入准备参与比较的聚类变量和非聚类变量。Independant list选入保存的聚类结果“cluster-3”。

Option复选框，cell statistics选入mean,然后continue,ok.

3）使用k-means 确定初始群重心时，

centers-->initial from format选定，未知的在于file的格式。简介如下：

第一列：表示分成的群组数，如1、2、3…

以后各列为各聚类变量，注意与所在群组相对应。如果实在搞不定，可以先不选择initial from format，而选下面的write final as，呵呵，知道什么意思吗，先试一下，以确定正确的格式，再把数据替换一下就可以了。

完整word版,SPSS聚类分析实验报告.docx

SPSS 聚类分析实验报告 一．实验目的： 1、理解聚类分析的相关理论与应用 2、熟悉运用聚类分析对经济、社会问题进行分析、 3、熟练 SPSS软件相关操作 4、熟悉实验报告的书写 二．实验要求： 1、生成新变量总消费支出=各变量之和 2、对变量食品支出和居住支出进行配对样本T 检验，并说明检验结果 3、对各省的总消费支出做出条形图（用EXCEL做图也行） 4、利用 K-Mean法把 31 省分成 3 类 5、对聚类分析结果进行解释说明 6、完成实验报告 三．实验方法与步骤 准备工作：把实验所用数据从 Word文档复制到 Excel ，并进一步导入到 SPSS数据文件中。 分析：由于本实验中要对 31 个个案进行分类，数量比较大，用系统聚类法当然也 可以得出结果，但是相比之下在数据量较大时， K 均值聚类法更快速高效，而且准确性更高。 四、实验结果与数据处理： 1.用系统聚类法对所有个案进行聚类：

生成新变量总消费支出 =各变量之和如图所示： 2.对变量食品支出和居住支出进行配对样本 T 检验，如图所示：

得出结论： 3.对各省的总消费支出做出条形图，如图所示： 4．对聚类分析结果进行解释说明： K均值分析将这样的城市分为三类： 第一类北京、上海、广东 第二类除第一类第三类以外的 第三类天津、福建、内蒙古、辽宁、山东 第一类经济发展水平高，各项支出占总支出比重高，人民生活水平高。第二类城市位于中西部地区，经济落后，人民消费水平低。第三类城市位于中东部地区，经济发展较好。

初始聚类中心 聚类 123 食品支出7776.983052.575790.72衣着支出1794.061205.891281.25居住支出2166.221245.001606.27家庭设备及服务支出1800.19612.59972.24医疗保健支出1005.54774.89617.36交通和通信支出4076.461340.902196.88文化与娱乐服务支出3363.251229.681786.00其它商品和服务支出1217.70331.14499.30总消费支出23200.409792.6614750.02 迭代历史记录a 聚类中心内的更改 迭代123 11250.5921698.8651216.114 2416.86470.786173.731 3138.955 2.94924.819 446.318.123 3.546 5849.114319.1791362.411 6805.00415.199606.915 7161.001.72475.864 832.200.0349.483 9 6.440.002 1.185 10 1.2887.815E-5.148

SPSS进行主成分分析的步骤(图文)精编版

主成分分析的操作过程 原始数据如下（部分） 调用因子分析模块（Analyze―Dimension Reduction―Factor），将需要参与分析的各个原始变量放入变量框，如下图所示：

单击Descriptives按钮，打开Descriptives次对话框，勾选KMO and Bartlett’s test of sphericity选项（Initial solution选项为系统默认勾选的，保持默认即可），如下图所示，然后点击Continue按钮，回到主对话框： 其他的次对话框都保持不变（此时在Extract次对话框中，SPSS已经默认将提取公因子的方法设置为主成分分析法），在主对话框中点OK按钮，执行因子分析，得到的主要结果如下面几张表。 ①KMO和Bartlett球形检验结果：

KMO为0.635>0.6，说明数据适合做因子分析；Bartlett球形检验的显著性P值为 0.000<0.05，亦说明数据适合做因子分析。 ②公因子方差表，其展示了变量的共同度，Extraction下面各个共同度的值都大于0.5，说明提取的主成分对于原始变量的解释程度比较高。本表在主成分分析中用处不大，此处列出来仅供参考。 ③总方差分解表如下表。由下表可以看出，提取了特征值大于1的两个主成分，两个主成分的方差贡献率分别是55.449%和29.771%，累积方差贡献率是85.220%；两个特征值分别是3.327和1.786。 ④因子截荷矩阵如下：

根据数理统计的相关知识，主成分分析的变换矩阵亦即主成分载荷矩阵U 与因子载荷矩阵A 以及特征值λ的数学关系如下面这个公式： λi i i A U = 故可以由这二者通过计算变量来求得主成分载荷矩阵U 。 新建一个SPSS 数据文件，将因子载荷矩阵中的各个载荷值复制进去，如下图所示： 计算变量（Transform-Compute Variables ）的公式分别如下二张图所示：

SPSS因子、聚类案例分析报告

喀什大学实验报告 《多元统计分析SPSS》 实验报告 实验课程：基于SPSS的数据分析 实验地点：现代商贸实训中心实验室名称：经济统计实验室 学院：xxx学院年级专业班：xxx班 学生姓名：xxx 学号：20131808015 完成时间：2016年x月x日 开课时间：2016 至2017 学年第 1 学期 页脚内容1

页脚内容2

实验项目：中国上市银行竞争力分析 （一）实验目的 本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。 （二）实验资料 通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。 具体数据如下所示： 十家同类型上市商业银行2012年指标 页脚内容3

页脚内容4

中 信银行 1.41 % 0.74 % 93.1 4% 13.4 4% -7.0 4% 15.9 6% 14.5 9% 7.0 2% 民 生银行 1.5 8% 0.76 % 94. 58% 10.7 5% 27. 62% 3.5 3% 2.7 6% 8.4 4% （三）实验步骤 1、选择菜单 2、选择参与因子分析的变量到(变量V)框中 3、选择因子分析的样本 4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等 页脚内容5

SPSS进行主成分分析报告地步骤(图文)

主成分分析の操作過程 原始數據如下（部分） 調用因子分析模塊（Analyze―Dimension Reduction―Factor），將需要參與分析の各個原始變量放入變量框，如下圖所示：

單擊Descriptives按鈕，打開Descriptives次對話框，勾選KMO and Bartlett’s test of sphericity選項（Initial solution選項為系統默認勾選の，保持默認即可），如下圖所示，然後點擊Continue按鈕，回到主對話框： 其他の次對話框都保持不變（此時在Extract次對話框中，SPSS已經默認將提取公因子の方法設置為主成分分析法），在主對話框中點OK按鈕，執行因子分析，得到の主要結果如下面幾張表。 ①KMO和Bartlett球形檢驗結果：

KMO為0.635>0.6，說明數據適合做因子分析；Bartlett球形檢驗の顯著性P值為0.000<0.05，亦說明數據適合做因子分析。 ②公因子方差表，其展示了變量の共同度，Extraction下面各個共同度の值都大於0.5，說明提取の主成分對於原始變量の解釋程度比較高。本表在主成分分析中用處不大，此處列出來僅供參考。 ③總方差分解表如下表。由下表可以看出，提取了特征值大於1の兩個主成分，兩個主成分の方差貢獻率分別是55.449%和29.771%，累積方差貢獻率是85.220%；兩個特征值分別是3.327和1.786。 ④因子截荷矩陣如下：

根據數理統計の相關知識，主成分分析の變換矩陣亦即主成分載荷矩陣U 與因子載荷矩陣A 以及特征值λの數學關系如下面這個公式： λ i i i A U = 故可以由這二者通過計算變量來求得主成分載荷矩陣U 。 新建一個SPSS 數據文件，將因子載荷矩陣中の各個載荷值複制進去，如下圖所示： 計算變量（Transform-Compute Variables ）の公式分別如下二張圖所示：

主成分分析法及其在SPSS中的操作

一、主成分分析基本原理 概念：主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法。从数学角度来看，这是一种降维处理技术。 思路：一个研究对象，往往是多要素的复杂系统。变量太多无疑会增加分析问题的难度和复杂性，利用原变量之间的相关关系，用较少的新变量代替原来较多的变量，并使这些少数变量尽可能多的保留原来较多的变量所反应的信息，这样问题就简单化了。 原理：假定有n 个样本，每个样本共有p 个变量，构成一个n ×p 阶的数据矩阵， 记原变量指标为x 1，x 2，…，x p ，设它们降维处理后的综合指标，即新变量为 z 1，z 2，z 3，… ，z m (m ≤p)，则 系数l ij 的确定原则： ①z i 与z j （i ≠j ；i ，j=1，2，…，m ）相互无关； ②z 1是x 1，x 2，…，x P 的一切线性组合中方差最大者，z 2是与z 1不相关的x 1，x 2，…，x P 的所有线性组合中方差最大者； z m 是与z 1，z 2，……，z m －1都不相关的x 1，x 2，…x P ， 的所有线性组合中方差最大者。 新变量指标z 1，z 2，…，z m 分别称为原变量指标x 1，x 2，…，x P 的第1，第2，…，第m 主成分。 从以上的分析可以看出，主成分分析的实质就是确定原来变量x j （j=1，2 ，…， p ）在诸主成分z i （i=1，2，…，m ）上的荷载 l ij （ i=1，2，…，m ； j=1，2 ，…，p ）。 ?????? ? ???????=np n n p p x x x x x x x x x X 2 1 2222111211 ?? ??? ? ?+++=+++=+++=p mp m m m p p p p x l x l x l z x l x l x l z x l x l x l z 22112222121212121111............

spss进行主成分分析及得分分析

spss进行主成分分析及得分分析 1 将数据录入spss 1. 2 数据标准化：打开数据后选择分析→描述统计→描述，对数据进行标准化，选中将标准化得分另存为变量： 2.3 进行主成分分析：选择分析→降维→因子分析，

3.4设置描述性，抽取，得分和选项：

4.5 查看主成分分析和分析： 相关矩阵表明，各项指标之间具有强相关性。比如指标GDP总量与财政收入、固定资产投资总额、第二产业增加值、第三产业增加值、工业增加值的相关系数较大。这说明他们之间指标信息之间存在重叠，适合采用主成分分析法。（下表非完整呈现）

5.6 由Total Variance Explained（主成分特征根和贡献率）可知，特征根λ1=9.092，特征根λ2=1.150前两个主成分的累计方差贡献率达93.107%，即涵盖了大部分信息。这表明前两个主成分能够代表最初的11个指标来分析河南各个城市经济综合实力的发展水平，故提取前两个指标即可。主成分，分别记作F1、F2。 6.7

指标X1、X2、X3、X4、X5、X6、X7、X8、X9、X10在第一主成分上有较高载荷，相关性强。第一主成分集中反映了总体的经济总量。X11在第二主成分上有较高载荷，相关性强。第二主成分反映了人均的经济量水平。但是要注意： 这个主成分载荷矩阵并不是主成分的特征向量，也就是说并不是主成分1和主成分2的系数，主成分系数的求法是：各自主成分载荷向量除以各自主成分特征值的算术平方根。

7.8 成分得分系数矩阵（因子得分系数）列出了强两个特征根对应的特征向量，即各主要成分解析表达式中的标准化变量的系数向量。故各主要成分解析表达式分别为：F1=0.32ZX11+0.33ZX12+0.31ZX13+0.31ZX14+0.32ZX15+0.32ZX16+0.32ZX17+0.32ZX18+0. 32ZX19+0.21ZX110+0.15ZX111 F2=8.46ZX21+0.02ZX22-0.02ZX23-0.20ZX24-0.23Z25-0.04ZX26-0.15ZX27-0.02ZX28+0.10Z X29+0.47ZX210+0.78ZX211 8.9 主成分的得分是相应的因子得分乘以相应的方差的算术平方根。即：主成分1得分=因子1得分乘以9.092的算术平方根主成分2得分=因子2得分乘以1.150的算术平方根例如郑州：主成分因子=FAC1_1*9.092的算术平方根=3.59386*9.092的算术平方根=10.83，将各指标的标准化数据带入个主成分解析表达式中，分别计算出2个主成分得分（F1、F2），再以个主成分的贡献率为全书对主成分得分进行加权平均，即：H=（82.672*F1+10.497*F2）/93.124，求得主成分综合得分。

SPSS软件聚类分析过程的图文解释及结果的全面分析

SPSS聚类分析过程 聚类的主要过程一般可分为如下四个步骤： 1.数据预处理（标准化） 2.构造关系矩阵（亲疏关系的描述） 3.聚类（根据不同方法进行分类） 4.确定最佳分类（类别数） SPSS软件聚类步骤 1. 数据预处理（标准化） →Analyze(分析) →Classify (分类，归类)→Hierachical Cluster Analysis（层序聚类分析）→Method（方法，条理，）然后从对话框中进行如下选择 从Transform Values框中点击向下箭头，此为标准化方法，将出现如下可选项，从中选一即可： 标准化方法解释：None：不进行标准化，这是系统默认值；Z Scores（Z-Scores, 英文名又叫Standardized Population Data, 是以标准差单位来表现的一组观察值）：标准化变换；Range –1 to 1：极差标准化变换（作用：变换后的数据均值为0，极差为1，且|x ij*|<1，消去了量纲的影响；在以后的分析计算中可以减少误差的产生。）；Range 0 to 1（极差正规化变换 / 规格化变换）； 2. 构造关系矩阵 在SPSS中如何选择测度（相似性统计量）: →Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择 常用测度（选项说明）：Euclidean distance：欧氏距离（二阶Minkowski距离），用途：聚类分析中用得最广泛的距离；Squared Eucidean distance：平方欧氏距离；Cosine：夹角余弦(相似性测度；Pearson correlation：皮尔逊相关系数； 3. 选择聚类方法

用SPSS进行详细的主成分分析步骤

怎样用SPSS进行主成分分析 怎样用SPSS进行主成分分析 一、基本概念与原理 主成分分析（principal component analysis） 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 （1）主成分分析的原理及基本思想。 原理：设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。 基本思想：主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来

聚类分析的SPSS实现

§7.5聚类分析的SPSS实现 一、系统聚类法的SPSS实现 例7.5.1利用全国30个省市自治区经济发展基本情况的八项指标数据（见数据集wyzb6_5.），用系统聚类法对这30个省市自治区作一初步的分类，并说明各类地区经济发展的特点。 操作 分析（Analyze）?分类（Classify）?系统聚类（Hierarchical Cluster）打开系统聚类分析（Hierarchical Cluster Analysis）对话框 1．变量（V ariable(s)）列表框设置分析变量。 2．标志个案（Label Cases by）框设置分析对象的标志变量。3．分群（Cluster）单选择框设置聚类分析的类型。 4．输出（Display）复选择框设置聚类分析的输出结果，统计量和图都是默认选项。 5．统计量（Statistics）按钮设置输出的统计量。 合并进程表（Agglomeration schedule）默认选项，输出聚类分析的凝聚状态表； 相似性矩阵（Proximitymatrix）为复选项，输出各样品的距离矩阵。 聚类成员（Cluster Menbership）选择框： 无（None）选项：不显示类的样品构成； 单一方案（Single solution）选项：选择此项，并输入一个确定的分类数n，并输出聚成n个类时各个类的样品构成 情况。 方案范围（Range of solutions）：选择此项，并输入两个数n1，n2，将显示指定聚成n1类到n2类时各个类的样品构成 情况。

6．Plots按钮设置输出图形：树状图冰状图 7．Method按钮设置聚类分析的具体方法。 聚类方法： 组间连接：类间平均法 组内连接：类内平均法 最近临元素：最短距离法 最远临元素：最长距离法 质心聚类法：重心法 中位数聚类法：中位数法 Ward法：离差平方和法 度量方法选择框：选择计算样品距离的方法转换值选择框：选择原始数据标准化的方法Z得分，最常用的方法

主成分分析在SPSS中的操作应用(详细步骤

主成分分析在SPSS中的操作应用(2) SPSS在调用Factor Analyze过程进行分析时，SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后指的变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，如需要得到标准化数据，则需调用Descriptives过程进行计算。 图表 3 相关系数矩阵

图表 4 方差分解主成分提取分析表 主成分分析在SPSS中的操作应用(3) 图表 5 初始因子载荷矩阵

从图表3可知GDP与工业增加值，第三产业增加值、固定资产投资、基本建设投资、社会消费品零售总额、地方财政收入这几个指标存在着极其显著的关系，与海关出口总额存在着显著关系。可见许多变量之间直接的相关性比较强，证明他们存在信息上的重叠。 主成分个数提取原则为主成分对应的特征值大于1的前m个主成分。注：特征值在某种程度上可以被看成是表示主成分影响力度大小的指标，如果特征值小于1，说明该主成分的解释力度还不如直接引入一个原变量的平均解释力度大，因此一般可以用特征值大于1作为纳入标准。通过图表4（方差分解主成分提取分析）可知，提取2个主成分，即m=2，从图表5（初始因子载荷矩阵）可知GDP、工业增加值、第三产业增加值、固定资产投资、基本建设投资、社会消费品零售总额、海关出口总额、地方财政收入在第一主成分上有较高载荷，说明第一主成分基本反映了这些指标的信息；人均GDP和农业增加值指标在第二主成分上有较高载荷，说明第二主成分基本反映了人均GDP和农业增加值两个指标的信息。所以提取两个主成分是可以基本反映全部指标的信息，所以决定用两个新变量来代替原来的十个变量。但这两个新变量的表达还不能从输出窗口中直接得到，因为“Component Matrix”是指初始因子载荷矩阵，每一个载荷量表示主成分与对应变量的相关系数。 用图表5（主成分载荷矩阵）中的数据除以主成分相对应的特征值开平方根便得到两个主成分中每个指标所对应的系数[2]。将初始因子载荷矩阵中的两列数据输入（可用复制粘贴的方法）到数据编辑窗口（为变量B1、B2），然后利用“TransformàCompute Variable”，在Compute Variable对话框中输入 “A1=B1/SQR(7.22)” [注：第二主成分SQR后的括号中填1.235]，即可得到特征向量A1(见图表6)。同理，可得到特征向量A2。将得到的特征向量与标准化后的数据相乘，然后就可以得出主成分表达式[注：因本例只是为了说明如何在SPSS进行主成分分析，故在此不对提取的主成分进行命名，有兴趣的读者可自行命名]： F1=0.353ZX1+0.042ZX2-0.041ZX3+0.364ZX4+0.367ZX5+0.366ZX6+0.352ZX7+0.364ZX

SPSS中主成分分析的基本操作1

SPSS 中主成分分析的基本操作 Xiaowenzi22与pinksss 共同制作 阐述主成分分析法的原理 主成分分析是设法将原来众多具有一定相关性（比如P 个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P 个指标作线性组合，作为新的综合指标。最经典的做法就是用F 1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F 1)越大，表示F 1包含的信息越多。因此在所有的线性组合中选取的F 1应该是方差最打的，故称F 1为第一主成分。如果第一主成分不足以代表原来P 个指标的信息，再考虑选取F 2即选第二个线性组合，为了有效地反映原来信息，F 1已有的信息就不需要再出现再F 2中，用数学语言表达就是要求Cov(F 1, F 2)=0，则称F 2为第二主成分，依此类推可以构造出第三、第四，……，第P 个主成分。 主成分模型： F 1=a 11X 11+a 21X 21+……+a p1X p F 2=a 12X 12+a 22X 22+……+a p2X p …… F p =a 1m X 11+a 2m X 22+……+a pm X p 其中a 1i, a 2i, ……,a pi (i=1,……,m)为X 的协差阵Σ的特征值多对应的特征向量，X 1, X 2, ……, X p 是原始变量经过标准化处理的值（因为在实际应用中，往往存在指标的量纲不同，所以在计算之前先消除量纲的影响，而将原始数据标准化）。 A=(ij a )m p ×=(,1α,2α…,m α),i i i R αλα=, R 为相关系数矩阵, i i αλ、是相应的特征值和单位特征向量, 1λ≥2λ≥…≥p λ≥0 上述方程组要求： 1、a 21i +a 22i +……+a 2pi =1 (i=1,……,m) 2、m I A A =′ (A=(ij a )m p ×=(,1α,2α…,m α)，A 为正交矩阵) 3、Cov(F i ,F j )=ij i δλ, =01 ij δj i j i ≠= 操作步骤： 一、 数据标准化

主成分分析在SPSS中的操作应用

主成分分析在SPSS中的操作应用 一、引言 主成分分析和因子分析在社会经济统计综合评价中是两个常被使用的统计分析方法。现在SPSS、SAS等统计软件使用越来越普遍，但SPSS并未像SAS一样，将主成分分析与因子分析作为两个独立的方法并列处理[注：主成分分析与因子分析二者是又有着区别与联系，最主要的不同在于它们的数学模型的构建上，具体区别请见参考文献2]，而是根据二者之间的关系有机地将主成分分析嵌入到因子分析之中，这样虽然简化了分析程序，却为主成分分析的计算带来不便。且国内许多SPSS教程并没有详细讲解如果应用SPSS进行主成分分析，如何使用SPSS对主成分分析进行计算呢？为使读者能够正确使用SPSS软件进行主成分分析，本文将通过一个实例来详细介绍如何用SPSS做主成分分析。接下来先简单介绍主成分分析原理与模型，以便读者对主成分分析有个大致的了解。 二、主成分分析原理和模型[1] （一）主分成分析原理 主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。最经典的做法就是用F 1 （选取的第 一个线性组合，即第一个综合指标）的方差来表达，即Var(F 1)越大，表示F 1 包 含的信息越多。因此在所有的线性组合中选取的F 1应该是方差最大的，故称F 1 为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取 F 2即选第二个线性组合，为了有效地反映原来信息，F 1 已有的信息就不需要再出 现再F 2中，用数学语言表达就是要求Cov(F 1 , F 2 )=0，则称F 2 为第二主成分，依 此类推可以构造出第三、第四，……，第P个主成分。（二）主成分分析数学模型 F 2=a 12 ZX 1 +a 22 ZX 2 ……+a p2 ZX p …… F p =a 1m ZX 1 +a 2m ZX 2 +……+a pm ZX p 其中a 1i , a 2i , ……,a pi (i=1,……,m)为X的协方差阵Σ的特征值多对应的 特征向量，ZX 1, ZX 2 , ……, ZXp是原始变量经过标准化处理的值，因为在实际 应用中，往往存在指标的量纲不同，所以在计算之前须先消除量纲的影响，而将原始数据标准化，本文所采用的数据就存在量纲影响[注：本文指的数据标准化是指Z标准化]。

SPSS软件进行主成分分析的应用例子修订版

S P S S软件进行主成分分析的应用例子 集团标准化小组：[VVOPPT-JOPP28-JPPTL98-LOPPNN]

SPSS软件进行主成分分析的应用例子 2002年16家上市公司4项指标的数据[5]见表2，定量综合赢利能力分析如下： 1. 第一，将EXCEL中的原始数据导入到SPSS软件中； 【1】“分析”|“描述统计”|“描述”。 【2】弹出“描述统计”对话框，首先将准备标准化的变量移入变量组中，此时，最重要的一步就是勾选“将标准化得分另存为变量”，最后点击确定。 【3】返回SPSS的“数据视图”，此时就可以看到新增了标准化后数据的字段。 进行因子分析（指标之间的相关性判定略）。 【1】“分析”|“降维”|“因子分析”选项卡，将要进行分析的变量选入“变量”列表； 【2】设置“描述”，勾选“原始分析结果”和“KMO与Bartlett球形度检验”复选框；

【3】设置“抽取”，勾选“碎石图”复选框； 【4】设置“旋转”，勾选“最大方差法”复选框； 【5】设置“得分”，勾选“保存为变量”和“因子得分系数”复选框；【6】查看分析结果。

【1】将初始因子载荷矩阵中的两列数据输入( 可用复制粘贴的方法) 到数据编辑窗口( 为 中输入“F 1”，然后在数字表达式中输入“V 1 /SQR(λ 1 )”[注:λ 1 =1.897], 即可得到特征向量F 1 ； 【3】然后利用“转换”|“计算变量”, 打开“计算变量”对话框，在“目标变量”文本框 中输入“F 2”，然后在数字表达式中输入“V 2 /SQR(λ 2 )”[注:λ 1 =1.550], 即可得到特征向量F 2 ； 【4】最后得到特征向量矩阵（主成分表达式的系数）。 【1】将得到的特征向量与标准化后的数据相乘, 然后就可以得出主成分函数的表达式； 中输入“Z 1 ”，然后在数字表达式中输入“0.531* Z (销售净利率)+0.594*Z (资产净利 率)+0.261*Z (净资产收益率)+0.546*Z (销售毛利率)” [注:F 1 =0.531,0.594,0.261,0.546], 即可得到特征向量Z 1 ； 【3】同理[注:F 2=-0.412，0.404，0.720，-0.383], 可得到特征向量Z 2 ； 【4】求出16家上市公司的主成分值。

SPSS聚类分析实验报告

SPSS聚类分析实验报告 一．实验目的： 1、理解聚类分析的相关理论与应用 2、熟悉运用聚类分析对经济、社会问题进行分析、 3、熟练SPSS软件相关操作 4、熟悉实验报告的书写 二．实验要求： 1、生成新变量总消费支出=各变量之和 2、对变量食品支出和居住支出进行配对样本T检验，并说明检验结果 3、对各省的总消费支出做出条形图（用EXCEL做图也行） 4、利用K-Mean法把31省分成3类 5、对聚类分析结果进行解释说明 6、完成实验报告 三．实验方法与步骤 准备工作：把实验所用数据从Word文档复制到Excel，并进一步导入到SPSS数据文件中。 分析：由于本实验中要对31个个案进行分类，数量比较大，用系统聚类法当然也可以得出结果，但是相比之下在数据量较大时，K均值聚类法更快速高效，而且准确性更高。 四、实验结果与数据处理： 1.用系统聚类法对所有个案进行聚类：

生成新变量总消费支出=各变量之和如图所示： 2. 对变量食品支出和居住支出进行配对样本T检验，如图所示：

得出结论： 3. 对各省的总消费支出做出条形图，如图所示： 4．对聚类分析结果进行解释说明： K均值分析将这样的城市分为三类： 第一类北京、上海、广东 第二类除第一类第三类以外的 第三类天津、福建、内蒙古、辽宁、山东 第一类经济发展水平高，各项支出占总支出比重高，人民生活水平高。第二类城市位于中西部地区，经济落后，人民消费水平低。第三类城市位于中东部地区，经济发展较好。

迭代历史记录a 迭代 聚类中心内的更改 1 2 3 1 1250.592 1698.865 1216.114 2 416.864 70.786 173.731 3 138.955 2.949 24.819 4 46.318 .123 3.546 5 849.114 319.179 1362.411 6 805.004 15.199 606.915 7 161.001 .724 75.864 8 32.200 .034 9.483 9 6.440 .002 1.185 10 1.288 7.815E-5 .148 初始聚类中心 聚类 1 2 3 食品支出 7776.98 3052.57 5790.72 衣着支出 1794.06 1205.89 1281.25 居住支出 2166.22 1245.00 1606.27 家庭设备及服务支出 1800.19 612.59 972.24 医疗保健支出 1005.54 774.89 617.36 交通和通信支出 4076.46 1340.90 2196.88 文化与娱乐服务支出 3363.25 1229.68 1786.00 其它商品和服务支出 1217.70 331.14 499.30 总消费支出 23200.40 9792.66 14750.02

如何利用SPSS进行主成分分析

利用SPSS进行主成分分析 【例子】以全国31个省市的8项经济指标为例，进行主成分分析。第一步：录入或调入数据（图1）。 图1 原始数据 ⒋其它。

图8 主成分分析的结果 第四步，结果解读。 在因子分析结果（Output ）中，首先给出的Descriptive Statistics ，第一列Mean 对应的变量的算术平均值，计算公式为 ∑==n i ij j x n x 1 1 第二列Std. Deviation 对应的是样本标准差，计算公式为 2/11 2])(11[∑=--=n i j ij j x x n σ 第三列Analysis N 对应是样本数目。这一组数据在分析过程中可作参考。

接下来是Correlation Matrix(相关系数矩阵)，一般而言，相关系数高的变量，大多会进入同一个主成分，但不尽然，除了相关系数外，决定变量在主成分中分布地位的因素还有数据的结构。相关系数矩阵对主成分分析具有参考价值，毕竟主成分分析是从计算相关系数矩阵的特征根开始的。相关系数阵下面的Determinant=1.133E-0.4是相关矩阵的行列式值，根据关系式0)d e t (=-R I λ可知，det(λI )=det(R ),从而Determinant=1.133E-0.4=λ *λ*λ*λ*λ*λ*λ*λ。这一点在后面将会得到验证。 在Communalities(公因子方差)中，给出了因子载荷阵的初始公因子方差（Initial ）和提取公因子方差（Extraction ），后面将会看到它们的含义。 在Total Variance Explained(全部解释方差) 表的Initial Eigenvalues （初始特征根）中，给出了按顺序排列的主成分得分的方差(Total)，在数值上等于相关系数矩阵的各个特征根λ，因此可以直接根据特征根计算每一个主成分的方差百分比（% of Variance ）。由于全部特征根的总和等于变量数目，即有m =∑λi =8，故第一个特征根的方差百分比为λ1/m =3.755/8=46.939，第二个特征根的百分比为λ2/m =2.197/8= 27.459，……，其余依此类推。然后可以算出方差累计值（Cumulative %）。在Extraction Sums of Squared Loadings ，给出了从左边栏目中提取的三个主成分及有关参数，提取的原则是满足λ>1，这一点我们在图6所示的对话框中进行了限定。

spss主成分分析报告

实用标准文档 实验目的：原始数据中每一所高校具有20个相关性很高的变量，利用主成分分析法用较少的变量去解释原来资料中的大部分变异，将手中的众多变量转化成彼此相互独立或不相关的个数较少的变量，即所谓主成分，并用以解释资料的综合性指标，其实质的目的是降维 原始数据截屏： 操作方法： 1.描述性统计 SPSS在调用因子分析过程进行分析时，SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后指的变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，然后后期的计算需得到标准化数据，则需调用“描述”过程进行计算,为了看到标准化数据，所以采用描述性统计下的描述操作获得标准化后的变量数据 标准化数据： 文案大全

因子分析操作过程： 选取变量： X1：科研经费得分 X2：国家人文社科重点研究基地得分 X3:院士总数得分 X4:生均图书得分 X5:研究中心数得分 X6:国家重点实验室得分

X7:生均教学科研仪器设备得分 X8:生均教育事业经费得分 X9:精品课程得分 X10:优秀博士生论文总分 X11:人才得分 X12:二级学科建设得分 X13:生均固定资产得分 X14:科研论文得分 X15:博导及相关合计得分 X16:教师中博士学位比重得分 X17:一级学科得分 X18:高级职称比重得分 X19:师资总分 X20:SCI数量 这里分析采用相关系数矩阵，输出选择为未旋转的因子解，并选择碎石图，抽取过程选择基于特征值（特征值大于1），最大收敛迭代次数：25，点击确定。

原数据中有较多的缺失值，选择按列表排除个案，点击继续。 分析结果： KMO越接近1，说明变量之间的相关性越强，原有变量适合做因子分析；Bartlett的球度检验值越小于显著性水平0.05，越说明变量间存在相关关系。 本数据中KMO值为0.736，sig.值为0，符合因子分析条件，可进行因子分析，并进一步进行主成分分析

主成分分析在SPSS中的操作应用(详细步骤

主成分分析在SPSS中的操作应用(1) 一、引言 主成分分析和因子分析在社会经济统计综合评价中是两个常被使用的统计分析方法。现在SPSS、SAS等统计软件使用越来越普遍，但SPSS并未像SAS一样，将主成分分析与因子分析作为两个独立的方法并列处理[注：主成分分析与因子分析二者是又有着区别与联系，最主要的不同在于它们的数学模型的构建上，具体区别请见参考文献2]，而是根据二者之间的关系有机地将主成分分析嵌入到因子分析之中，这样虽然简化了分析程序，却为主成分分析的计算带来不便。且国内许多SPSS教程并没有详细讲解如果应用SPSS进行主成分分析，如何使用SPSS对主成分分析进行计算呢？为使读者能够正确使用SPSS软件进行主成分分析，本文将通过一个实例来详细介绍如何用SPSS做主成分分析。接下来先简单介绍主成分分析原理与模型，以便读者对主成分分析有个大致的了解。 二、主成分分析原理和模型[1] （一）主分成分析原理 主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。最经典的做法就是用F 1 （选取的第 一个线性组合，即第一个综合指标）的方差来表达，即Var(F 1)越大，表示F 1 包 含的信息越多。因此在所有的线性组合中选取的F 1应该是方差最大的，故称F 1 为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取 F 2即选第二个线性组合，为了有效地反映原来信息，F 1 已有的信息就不需要再出 现再F 2中，用数学语言表达就是要求Cov(F 1 , F 2 )=0，则称F 2 为第二主成分，依 此类推可以构造出第三、第四，……，第P个主成分。（二）主成分分析数学模型 F2=a12ZX1+a22ZX2……+a p2ZX p …… F p =a 1m ZX 1 +a 2m ZX 2 +……+a pm ZX p 其中a 1i , a 2i , ……,a pi (i=1,……,m)为X的协方差阵Σ的特征值多对应的 特征向量，ZX 1, ZX 2 , ……, ZXp是原始变量经过标准化处理的值，因为在实际 应用中，往往存在指标的量纲不同，所以在计算之前须先消除量纲的影响，而将原始数据标准化，本文所采用的数据就存在量纲影响[注：本文指的数据标准化是指Z标准化]。

利用SPSS进行主成分分析

利用SPSS进行主成分分析 采用数据：同一时刻所有基站，剔除了数据全为0以及基站名字重复的（实际处理是加上自行标度可区分，为方便此次直接剔除） 共7个变量。 操作过程： 1、对数据进行标准化处理（z-score） 略 2、分析-降维-因子分析 选择标准化处理后的7个变量

单击“抽取” 基于特征值大于0（也可省略，默认值为1）单击“描述”弹出如下窗口：

设置好后单击确定得如下表格：

成份矩阵a 成份 1 2 3 4 5 6 7 Zscore: Mean Number of RRC .871 .203 -.406 .146 -.063 .101 .000 Connection User Zscore: Maximum Number of .875 .208 -.398 .137 -.052 -.103 .000 RRC Connection User Zscore: PRB on PUSCH .821 .216 .232 -.397 -.261 .000 .000 Channel 资源利用率 Zscore: PRB on PDSCH .843 -.469 .213 .152 -.032 .000 .014 Channel 资源利用率 Zscore: PRB on Uplink .562 .631 .473 .202 .147 .001 .000 Channel资源利用率 Zscore: PRB on Downlink .847 -.461 .217 .150 -.025 -.001 -.014 Channel 资源利用率 Zscore: CCE on PDCCH .867 -.121 -.135 -.335 .323 .002 .000 Channel 资源利用率 提取方法 :主成份。 a. 已提取了 7 个成份。 3、分析 （1）观察表“解释的总方差” 发现提取三个主成分就达到91.147%，大于85%的一般标准，所以我们决定提取 三个主成分。 （2）由上可知，我们选取“成分矩阵”的前三个变量1、2、3.将数据提取到数 据编辑框中，对应B1、B2、B3列： （3）由上可知选取前三个变量，通过表“解释的总方差”，我们提取前三个方 差的合计值：

SPSS进行主成分分析报告

实验七、利用SPSS进行主成分分析 【例子】以全国31个省市的8项经济指标为例，进行主成分分析。 第一步：录入或调入数据（图1）。 图1 原始数据（未经标准化） 第二步：打开“因子分析”对话框。 沿着主菜单的“Analyze→Data Reduction→Factor ”的路径（图2）打开因子分析选项框（图3）。 图2 打开因子分析对话框的路径

图3 因子分析选项框 第三步：选项设置。 首先，在源变量框中选中需要进行分析的变量，点击右边的箭头符号，将需要的变量调入变量（Variables）栏中（图3）。在本例中，全部8个变量都要用上，故全部调入（图4）。因无特殊需要，故不必理会“Value ”栏。下面逐项设置。 图4 将变量移到变量栏以后 ⒈设置Descriptives描述选项。 单击Descriptives按钮（图4），弹出Descriptives对话框（图5）。

图5 描述选项框 在Statistics 统计 栏中选中Univariate descriptives 复选项，则输出结果中将会给出原始数据的抽样均值、方差和样本数目（这一栏结果可供检验参考）；选中Initial solution 复选项，则会给出主成分载荷的公因子方差（这一栏数据分析时有用）。 在Correlation Matrix 栏中，选中Coefficients 复选项，则会给出原始变量的相关系数矩阵（分析时可参考）；选中Determinant 复选项，则会给出相关系数矩阵的行列式，如果希望在Excel 中对某些计算过程进行了解，可选此项，否则用途不大。其它复选项一般不用，但在特殊情况下可以用到（本例不选）。 设置完成以后，单击Continue 按钮完成设置（图5）。 ⒉ 设置Extraction 选项。 打开Extraction 对话框（图6）。因子提取方法主要有7种，在Method 栏中可以看到，系统默认的提取方法是主成分（Principal Components ），因此对此栏不作变动，就是认可了主成分分析方法。 在Analyze 栏中，选中Correlation matrix 复选项，则因子分析基于数据的相关系数矩阵进行分析；如果选中Covariance matrix 复选项，则因子分析基于数据的协方差矩阵进行分析。对于主成分分析而言，由于数据标准化了，这两个结果没有分别，因此任选其一即可。 在Display 栏中，选中Unrotated factor solution （非旋转因子解）复选项，则在分析结果中给出未经旋转的因子提取结果。对于主成分分析而言，这一项选择与否都一样；对于旋转因子分析，选择此项，可将旋转前后的结果同时给出，以便对比。 选中Scree Plot （“山麓”图），则在分析结果中给出特征根按大小分布的折线图（形如山麓截面，故得名），以便我们直观地判定因子的提取数量是否准确。 在Extract 栏中，有两种方法可以决定提取主成分（因子）的数目。一是根据特征根（Eigenvalues ）的数值，系统默认的是1=c λ。我们知道，在主成分分析中，主成分得分的方差就是对应的特征根数值。如果默认1=c λ，则所有方差大于等于1的主成分将被保留，其余舍弃。如果觉得最后选取的主成分数量不足，可以将c λ值降低，例如取9.0=c λ；如果认为最后的提取的主成分数量偏多，则可以提高c λ值，例如取 1.1=c λ。主成分数目是否合适，要在进行一轮分析以后才能肯定。因此，特征根数值 的设定，要在反复试验以后才能决定。一般而言，在初次分析时，最好降低特征根的临